一种印刷质量缺陷检测方法、存储介质技术

一种印刷质量缺陷检测方法和可读存储介质，其中的方法包括：通过特征提取网络提取待检测图像和模板图像各自的特征图，对待检测图像特征图和模板图像特征图进行相关运算，得到相关特征图；对相关特征图进行特征提取得到相关语义特征数据、进行多尺度特征融合得到分割语义特征数据，将相关语义特征数据和分割语义特征数据进行融合后输入一全连接网络得到判决向量，根据判决向量判断待检测图像是否存在印刷质量缺陷。由于将图像的相关运算转化为特征的相关运算，能够更好地适应环境变化和位置变化；将相关语义特征数据和分割语义特征数据进行融合用于检测，得到了更具表征能力的特征，从而提高了检测的准确性。从而提高了检测的准确性。从而提高了检测的准确性。

【技术实现步骤摘要】
一种印刷质量缺陷检测方法、存储介质


[0001]本专利技术涉及机器视觉领域，具体涉及一种印刷质量缺陷检测方法和存储介质。

技术介绍

[0002]印刷标签被广泛用作产品标识，其可记录产品关键信息，从而成为企业跟踪产品、质量监控和生产管理的有效载体，同时也可作为普通消费者对产品进行核对的有效工具。当前大部分产品标签通过印刷机印刷而成，在现代快速的印刷生产过程中，受生产工艺、环境和设备等诸多不确定因素的影响，各种印刷缺陷与错误难以避免。常见的印刷质量缺陷主要有印刷不良、模糊、丝印偏移与歪斜、肥油、字符缺失、偏暗、偏亮、麻点/白点、毛刺、连墨/堵墨、丝印轻微异色等，如图1～8所示。不合格的印刷标签随产品流入市场势必给生产厂家带来损失，也将给消费者带来麻烦，因此，印刷标签的质量检测也愈加为生产厂商所重视，而基于机器视觉的自动化检测系统具有检测速度快、精度高等优点，可有效降低生产厂家的人力成本，已成为行业趋势。
[0003]目前基于机器视觉的印刷质量缺陷检测方法大多为基于模板匹配的方法，该方法通过将待检测图像与没有印刷质量缺陷的模板图像进行相似度匹配，当相似度较小时则判定待检测图像存在印刷质量缺陷。基于模板匹配的检测方法是一种全局检测方法，容易受噪声影响，对于内容相对单一的标签检测效果尚可，但对于同时包含如logo类图形、说明性案例图形、条码类图形和字符类图形等复杂图形的标签，标签中的图形的重要性与图形的尺寸大小是不完全具有相关性的，而常用的基于模板匹配的检测方法并未针对不同图形的重要性，对图像中相应的区域设置不同权重或采用不同方法进行检测，因此常常导致误判率过高。
[0004]目前行业内主要采用的方法是黄金模板匹配方法，该方法首先确定待检测图像相对于模板图像的移动位置和偏转方向，计算将待检测图像与模板图像对准的刚性变换的变换参数，按照该变换参数对待检测图像进行变换以使其对准于模板图像，然后将待检测图像与模板图像进行逐像素比较，或者对Blob分析后的区域特征进行比较，判断待检测图像是否存在印刷质量缺陷。上述方法存在以下缺陷：(1)对待检测图像进行变换时，需要保证较高的定位精度，若发生位置偏移，则对待检测图像和模板图像进行逐像素点的比较时将大大增加误检的概率；(2)可检测的缺陷种类较少，只能检测上述缺陷中的丝印偏移、歪斜之类的缺陷，对其他类型的缺陷无法达到理想的效果，难以应用到实际的工业生产过程中。

技术实现思路

[0005]本申请提供一种印刷质量缺陷检测方法和计算机可读存储介质，旨在解决现有印刷质量缺陷检测方法检测种类少、难以提高准确率的问题。
[0006]根据第一方面，一种实施例中提供一种印刷质量缺陷检测方法，包括：
[0007]获取待检测图像和没有印刷质量缺陷的模板图像；
[0008]将所述待检测图像和所述模板图像输入各自的特征提取网络中，获得待检测图像
特征图和模板图像特征图；
[0009]对所述待检测图像特征图和所述模板图像特征图进行相关运算，得到相关运算结果图，将所述相关运算结果图作为相关特征图；
[0010]对所述相关特征图进行特征提取得到相关语义特征数据，对所述相关特征图进行多尺度特征融合得到分割语义特征数据；
[0011]将所述相关语义特征数据和所述分割语义特征数据进行融合后输入一全连接网络得到判决向量；
[0012]根据所述判决向量判断所述待检测图像是否存在印刷质量缺陷。
[0013]根据第二方面，一种实施例中提供一种印刷质量缺陷检测方法，包括：
[0014]获取待检测图像和没有印刷质量缺陷的模板图像；
[0015]将所述待检测图像和所述模板图像输入各自的特征提取网络中，获得待检测图像特征图和模板图像特征图；
[0016]对所述待检测图像特征图和所述模板图像特征图进行相关运算，得到相关运算结果图；
[0017]对所述模板图像特征图进行卷积和激活处理后与所述相关运算结果图融合，得到相关特征图，对所述相关特征图进行特征提取得到相关语义特征数据，对所述相关特征数据进行多尺度特征融合得到分割语义特征数据；
[0018]将所述相关语义特征数据和所述分割语义特征数据进行融合后输入一全连接网络得到判决向量；
[0019]根据所述判决向量判断所述待检测图像是否存在印刷质量缺陷。
[0020]一种实施例中，所述对所述待检测图像特征图和所述模板图像特征图进行相关运算，得到相关运算结果图，包括：
[0021]对于所述模板图像特征图的每一点x1(x
1x
,x
1y
)，计算该点处的特征向量与所述待检测图像特征图在范围[x
1x
‑
d,x
1x
+d]×
[x
1y
‑
d,x
1y
+d]内各点处的特征向量的余弦相似度，由得到的(2d+1)2个计算结果构成一相关特征向量，由各相关特征向量组成所述相关运算结果图；其中x
1x
为行坐标，x
1y
为列坐标，d为预设的范围值。
[0022]一种实施例中，所述对所述相关特征图进行多尺度特征融合得到分割语义特征数据，包括：
[0023]将所述相关特征图输入预设的第一卷积神经网络中，从所述第一卷积神经网络的隐藏层中获得所述相关特征图不同尺度的特征图，分别对所述相关特征图不同尺度的特征图进行池化处理，得到表征不同尺度特征的特征图，将这些表征不同尺度特征的特征图进行融合，得到所述分割语义特征数据。
[0024]一种实施例中，所述对所述相关特征图进行特征提取得到相关语义特征数据，包括：
[0025]将所述相关特征图输入预设的第二卷积神经网络中，得到输出特征图，对所述输出特征图进行池化处理，得到所述相关语义特征数据；其中所述第一卷积神经网络相较于所述第二卷积神经网络为一轻量级的神经网络。
[0026]一种实施例中，所述对所述相关特征图进行特征提取得到相关语义特征数据，包括：
[0027]从所述第一卷积神经网络的隐藏层中获得与所述相关特征图尺度相同的特征图，并与所述相关特征图进行融合，将融合后的图像输入预设的第二卷积神经网络中，得到输出特征图，对所述输出特征图进行池化处理，得到所述相关语义特征数据；其中所述第一卷积神经网络相较于所述第二卷积神经网络为一轻量级的神经网络。
[0028]一种实施例中，所述池化处理为通道全局最大池化。
[0029]一种实施例中，所述待检测图像的特征提取网络和所述模板图像的特征提取网络共享权重。
[0030]一种实施例中，所述判决向量包括两个元素，分别表示存在印刷质量缺陷和不存在印刷质量缺陷的概率。
[0031]根据第三方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现如上述第一方面或第二方面所述的方法。
[0032]依据上述实施例的印刷质量缺陷检测方法和计算机可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种印刷质量缺陷检测方法，其特征在于，包括：获取待检测图像和没有印刷质量缺陷的模板图像；将所述待检测图像和所述模板图像输入各自的特征提取网络中，获得待检测图像特征图和模板图像特征图；对所述待检测图像特征图和所述模板图像特征图进行相关运算，得到相关运算结果图，将所述相关运算结果图作为相关特征图；对所述相关特征图进行特征提取得到相关语义特征数据，对所述相关特征图进行多尺度特征融合得到分割语义特征数据；将所述相关语义特征数据和所述分割语义特征数据进行融合后输入一全连接网络得到判决向量；根据所述判决向量判断所述待检测图像是否存在印刷质量缺陷。2.一种印刷质量缺陷检测方法，其特征在于，包括：获取待检测图像和没有印刷质量缺陷的模板图像；将所述待检测图像和所述模板图像输入各自的特征提取网络中，获得待检测图像特征图和模板图像特征图；对所述待检测图像特征图和所述模板图像特征图进行相关运算，得到相关运算结果图；对所述模板图像特征图进行卷积和激活处理后与所述相关运算结果图融合，得到相关特征图，对所述相关特征图进行特征提取得到相关语义特征数据，对所述相关特征数据进行多尺度特征融合得到分割语义特征数据；将所述相关语义特征数据和所述分割语义特征数据进行融合后输入一全连接网络得到判决向量；根据所述判决向量判断所述待检测图像是否存在印刷质量缺陷。3.如权利要求1或2所述的方法，其特征在于，所述对所述待检测图像特征图和所述模板图像特征图进行相关运算，得到相关运算结果图，包括：对于所述模板图像特征图的每一点x1(x
1x
,x
1y
)，计算该点处的特征向量与所述待检测图像特征图在范围[x
1x
‑
d,x
1x
+d]
×
[x
1y
‑
d,x
1y
+d]内各点处的特征向量的余弦相似度，由得到的(2d+1...

【专利技术属性】
技术研发人员：杨洋，
申请(专利权)人：深圳市华汉伟业科技有限公司，
类型：发明
国别省市：